論文の概要: Harnessing Magnitude-Only and Complex Measurements for Improved Dynamic MRI Reconstruction with Learned Priors

• arxiv url: http://arxiv.org/abs/2608.18036v1
• Date: Tue, 18 Aug 2026 17:31:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.416973
• Title: Harnessing Magnitude-Only and Complex Measurements for Improved Dynamic MRI Reconstruction with Learned Priors
• Title（参考訳）: 学習先行者を用いた動的MRI再構成のための高調波高調波計測と複雑度測定
• Abstract要約: k空間データのアンサンプ化のためのMRI再構成法は、自然に複雑な測定値を用いる。 $mathbbC+fidelityMag$は物理学駆動の深層学習再構成法である。
• 参考スコア（独自算出の注目度）: 4.027371375319025
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: MRI reconstruction methods for undersampled k-space data naturally utilize complex-valued measurements. Parallel developments in sparse phase retrieval have shown that magnitude-only measurements may provide complementary information for signal recovery. However, their use in MRI reconstruction remains largely unexplored, due to lack of practical settings where informative magnitude measurements can be obtained without additional scan time. In this work, we investigate the use of auxiliary k-space magnitude information for accelerated steady-state dynamic MRI reconstruction, and demonstrate strong consistency of k-space magnitudes across time-frames. Building on this observation, we propose $\mathbb{C}+\text{Mag}$, a magnitude-informed physics-driven deep learning reconstruction method. The proposed method employs an ADMM-based unrolling framework with a novel magnitude-aware data-fidelity formulation, where quadratically smoothed optimization and momentum-based updates are introduced to address the non-differentiability and non-convexity of the magnitude constraints. Experiments on retrospectively undersampled cine MRI and phase-contrast flow MRI datasets, as well as prospectively undersampled real-time cine MRI acquisitions, demonstrate improved artifact suppression, sharper anatomical recovery, and better preservation of phase information compared to conventional PD-DL methods, which is further supported through blinded expert reader evaluations.
• Abstract（参考訳）: k空間データのアンサンプ化のためのMRI再構成法は、自然に複雑な測定値を用いる。 スパース位相検索における並列開発は、等級のみの測定により、信号回復のための補完的な情報が得られることを示した。 しかし,MRIの再構成における使用法は,追加のスキャン時間なしで情報量測定が行えるような現実的な設定が欠如していることから,まだ明らかになっていない。 本研究では,静止状態の動的MRI再構成における補助的k空間等級情報の利用について検討し,時間枠間のk空間等級の強い整合性を示す。 この観測に基づいて、等級インフォームド物理駆動ディープラーニング再構成法である$\mathbb{C}+\text{Mag}$を提案する。 提案手法は,ADMMに基づくアンローリングフレームワークを用いて,2次スムーズな最適化とモーメントベースの更新を導入し,大域制約の非微分性と非凸性に対処する。 振り返りアンサンプされたシネMRIと位相コントラストフローMRIデータセットの実験と、将来的なアンサンプされたリアルタイムシネMRIの取得実験は、従来のPD-DL法と比較して、アーティファクトの抑制、より鋭い解剖学的回復、位相情報の保存の改善を実証している。

関連論文リスト

• Variational Network with Wavelet-based UNET in Accelerated MRI Reconstruction from Under Sampled K-space Data [1.503974529275767]
  本稿では,ウェーブレットベースU-Net(W-UNet)を用いたMRIの高速化のための変分ネットワークを提案する。 このフレームワークは、物理誘導的反復再構成と学習可能なマルチスケールの周波数表現を組み合わせたものである。 fastMRI膝とM4脳データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-06-13T07:34:28Z)
• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• Self-supervised Deep Unrolled Model with Implicit Neural Representation Regularization for Accelerating MRI Reconstruction [19.419634295527974]
  MRI再構成の高速化は、アンダーサンプリングされたk空間測定から高忠実度MR画像の再構成によってこの問題に対処する。 本稿では、外部トレーニングデータなしでスキャン固有のMRI再構成を可能にする、UnrollINRという新しいゼロショット自己教師型再構成手法を提案する。
  論文  参考訳（メタデータ） (2025-10-08T03:40:40Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• A scan-specific unsupervised method for parallel MRI reconstruction via implicit neural representation [9.388253054229155]
  暗黙的神経表現(INR)は、物体の内部連続性を学ぶための新しいディープラーニングパラダイムとして登場した。 提案手法は,アーティファクトやノイズのエイリアスを抑えることにより,既存の手法よりも優れる。 良質な結果と走査特異性により,提案手法は並列MRIのデータ取得をさらに加速させる可能性を秘めている。
  論文  参考訳（メタデータ） (2022-10-19T10:16:03Z)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
  本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。 高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。 パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-01-23T21:58:19Z)
• Reference-based Magnetic Resonance Image Reconstruction Using Texture Transforme [86.6394254676369]
  高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。 変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。 提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2021-11-18T03:06:25Z)
• Deep MRI Reconstruction with Radial Subsampling [2.7998963147546148]
  k空間データにサブサンプリングマスクを適用することは、実際の臨床環境でk空間データの迅速な取得をシミュレートする方法である。 訓練された深層ニューラルネットワークが出力する再構成の質に対して,リチリニア・ラジアル・リフレクション・サブサンプリングを適用させる効果を比較検討し,検討した。
  論文  参考訳（メタデータ） (2021-08-17T17:45:51Z)
• High-Fidelity Accelerated MRI Reconstruction by Scan-Specific Fine-Tuning of Physics-Based Neural Networks [3.1498833540989413]
  高分解能MRIでは、長時間のスキャンが依然として課題である。 ディープラーニングは、データから直接学習されるデータ駆動型正規化器を提供することによって、MRIの再構築を加速する強力な手段として登場した。 本研究では,トランスファーラーニング手法を用いて,これらレギュレータを自己超越的手法を用いて新しい被験者に微調整する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-12T05:10:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。